html源码获取方法（数据获取认识HTML代码）

2024-04-26 阅读 969 评论 0

摘要：超文本标记语言（Hyper Text Markup Language，简称为HTML）是一种创建网页的标准标记语言。这不是一个编程语言，而是一个标记语言，使用各种标签来描述一个页面的样子，作为一个数据分析入门学习者，我们不需要完全学会怎么编写，怎么调试，只需要我们会看的懂，然后知道定位到我们需要的内

超文本标记语言（Hyper Text Markup Language，简称为HTML）是一种创建网页的标准标记语言。这不是一个编程语言，而是一个标记语言，使用各种标签来描述一个页面的样子，作为一个数据分析入门学习者，我们不需要完全学会怎么编写，怎么调试，只需要我们会看的懂，然后知道定位到我们需要的内容就即可。

网页组成

一个网页通常是由HTML元素、CSS样式和JavaScript脚本组成，但是对于数据采集来说，有用的只有HTML元素。通俗一点讲，网页就是一个房子，html就是简单的毛坯，CSS就是给房子来个精装修，Js脚本就是给房子通上了水电。要是把房子的精装修拆除，房子也可以用，就是有点难看，网页也是一样，把CSS样式拿走，内容还在，但是就不太美观。一个网页的大体结构如下：

<html> <head> <title>页面标题</title> <script src="jquery-2.2.0.min.js"></script> <link type="text/css" rel="stylesheet" href="style.css" /> </head> <body> <h1>这是标题</h1> <p>段落1</p> <p>段落2</p> </body> </html>

由标签<html>和</html>分别开头和结尾。只有<body></body>的部分才会在浏览器显示出来，<head></head>部分通常是写一些配置或者引入一些css或者js文件。

HTML标签

上面的网页示例中有很多的标签，比如说<p></p>，这表示一个段落，通常标签都是成对的。但是也有一些只有单个，没有结束标签，比如：< link ><br>等。这是需要了解到的，我们需要知道这些标签是表达的什么，里面存放的什么内容，好比我们需要知道一套房子每个房间是干啥的，这样的话，是去做饭还是去睡觉，都可以找到对的房间。数据采集的时候也是一样，需要知道我们的要找的东西在哪个标签下存放着，下表中例举几个常见的标签。

html源码获取方法（数据获取认识HTML代码）(1)

HTML属性

属性是为了给HTML标签增加了更丰富的信息，而且需要在开始标签中定义。比如最常用的超链接

<a href="http://www.mlscoder.cn">马拉松程序员</a>

很多时候，需要获取某一页面中的所有超链接，就是通过寻找所有<a>标签中的href属性中的值，来得到结果。在Html中需要重点认识的属性有下面5个

属性名	属性含义
class	表示元素的一个或多个类名
id	表示元素在页面的中唯一id
style	表示元素的行内css样式，高于class中样式
title	表示元素内的额外信息，鼠标悬停显示
type	表示元素的类型，一般配合input标签使用